CrewAI翻译站点

CrewAI 是专为多智能体协作设计的 AI Agent 框架，允许开发者定义多个具有不同角色、目标和背景故事的智能体（Agent），将它们组成“团队”（Crew），通过任务委派和协作完成复杂工作流。CrewAI 的设计理念是“AI 团队协作”——每个 Agent 各司其职，像人类团队一样分工合作。

产品概述

CrewAI 由 João Moura 于 2023 年创立，采用 MIT 开源协议，迅速成为多智能体编排领域的明星项目。框架的核心概念包括：Agent（智能体，含角色、目标、背景故事）、Task（任务，含描述、预期输出、指派 Agent）、Crew（团队，含 Agent 列表、任务列表、执行流程）。CrewAI 支持两种执行流程：顺序流程（Sequential）——任务按顺序依次执行，上一个任务的输出作为下一个任务的上下文；层级流程（Hierarchical）——设一个“主管”Agent 自动协调任务分配。框架内置工具集成、记忆管理和人机协作能力，可与 LangChain 工具生态互通。

核心能力

• 多智能体角色定义：为每个 Agent 设定角色（role）、目标（goal）和背景故事（backstory），塑造行为风格
• 任务委派与协作：支持 Agent 之间相互委派任务，自动协调分工
• 顺序与层级流程：Sequential 流程线性执行，Hierarchical 流程由主管 Agent 动态调度
• 工具集成：内置搜索、文件读写、API 调用等工具，也可接入 LangChain 工具和自定义工具
• 记忆管理：支持短期记忆（任务上下文）和向量记忆（基于检索的历史信息）
• 人机协作：支持 Human-in-the-loop，任务执行过程中可请求人工输入
• 输出自定义：支持 JSON、Pydantic 模型等结构化输出

优势亮点

• 多智能体协作体验最自然：角色 + 目标 + 背景故事的设计让 Agent 行为更像真人团队成员
• 上手快：API 设计简洁，几行代码即可定义一个多 Agent 团队
• 顺序与层级双流程：简单任务用 Sequential，复杂任务用 Hierarchical，灵活适配
• LangChain 生态兼容：可直接复用 LangChain 的工具和集成包
• 社区活跃：GitHub 星标快速增长，Discord 社区响应积极

短板

• 复杂任务稳定性待提升：层级流程中主管 Agent 的任务分配偶尔不够精准
• 调试手段有限：相比 LangSmith，缺乏成熟的 trace 和可观测性工具
• 性能开销：多 Agent 间频繁通信和上下文传递会增加 Token 消耗
• 文档尚在完善中：部分高级用法（如自定义流程、记忆配置）文档不够详尽

适用企业/部门

AI 应用开发团队、R&D 部门、内容创作团队。适合需要多个 AI 角色协作完成的任务场景，如研究报告撰写（研究员 + 分析师 + 编辑）、市场调研（数据采集 + 分析 + 报告生成）、软件开发（需求分析 + 编码 + 测试）等。

安装教程

前提条件

• Python 3.10 ~ 3.13
• pip（Python 包管理器）

快速安装

# 安装 CrewAI 核心库
pip install crewai

# 安装工具包（可选，提供预置工具）
pip install 'crewai[tools]'

验证安装

from crewai import Agent, Task, Crew

# 定义 Agent
researcher = Agent(
    role="研究员",
    goal="收集和分析信息",
    backstory="你是一名资深研究员，擅长信息搜集与整理",
)

writer = Agent(
    role="撰稿人",
    goal="撰写清晰的文章",
    backstory="你是一名专业撰稿人，擅长将复杂信息转化为易读的文字",
)

# 定义任务
research_task = Task(
    description="研究 AI Agent 框架的发展趋势",
    expected_output="一份包含关键趋势的简要报告",
    agent=researcher,
)

write_task = Task(
    description="基于研究结果撰写一篇科普文章",
    expected_output="一篇 500 字的科普文章",
    agent=writer,
)

# 组建团队并执行
crew = Crew(
    agents=[researcher, writer],
    tasks=[research_task, write_task],
    verbose=True,
)

result = crew.kickoff()
print(result)

配置 LLM

# 默认使用 OpenAI，也可切换为其他模型
import os
os.environ["OPENAI_API_KEY"] = "your-api-key"

# 使用 Ollama 本地模型
from crewai import LLM
llm = LLM(model="ollama/llama3.1", base_url="http://localhost:11434")

researcher = Agent(
    role="研究员",
    goal="收集和分析信息",
    backstory="你是一名资深研究员",
    llm=llm,
)